omshrivastava/APOO-Indian-Traffic-Dataset

APOO印度交通数据集是一个合成的训练数据集，专为印度异构交通条件设计，用于训练预测信号之间排班旅行时间的机器学习模型。数据集包含5,000个样本，具有20个输入特征，如路段长度、速度限制、车道数量、道路坡度、侧向摩擦、车辆类型比例、交通密度等。目标变量包括实际旅行时间和排班分散时间。数据集还详细说明了校准来源，如PCU值、速度-密度模型、天气影响、车辆混合配置等。

# APOO印度交通数据集

本数据集为**自适应车队偏移优化器（Adaptive Platoon Offset Optimizer, APOO）**的合成训练数据，该框架用于印度交通信号协调优化。

## 概述
共包含5000条针对印度混合交通环境校准的合成样本，专为训练可预测信号间车队行驶时间的机器学习模型设计。

## 数据集元数据
- 配置名称：default
- 特征字段：
- 字段名：link_length_m，数据类型：float64
- 字段名：speed_limit_kmh，数据类型：float64
- 字段名：num_lanes，数据类型：int64
- 字段名：gradient_pct，数据类型：float64
- 字段名：side_friction，数据类型：float64
- 字段名：pct_two_wheeler，数据类型：float64
- 字段名：pct_car，数据类型：float64
- 字段名：pct_auto，数据类型：float64
- 字段名：pct_bus，数据类型：float64
- 字段名：pct_truck，数据类型：float64
- 字段名：density_veh_km_lane，数据类型：float64
- 字段名：weather_speed_factor，数据类型：float64
- 字段名：time_of_day_sin，数据类型：float64
- 字段名：time_of_day_cos，数据类型：float64
- 字段名：is_peak，数据类型：int64
- 字段名：is_weekend，数据类型：int64
- 字段名：platoon_size，数据类型：int64
- 字段名：platoon_pcu，数据类型：float64
- 字段名：upstream_queue_pcu，数据类型：float64
- 字段名：downstream_queue_pcu，数据类型：float64
- 字段名：actual_travel_time_s，数据类型：float64
- 字段名：platoon_dispersion_s，数据类型：float64
- 字段名：weather，数据类型：字符串
- 字段名：city_type，数据类型：字符串
- 字段名：mix_type，数据类型：字符串
- 标签：交通、印度、交通工程、信号控制、合成数据集、表格型数据集
- 样本规模：1000 < 样本数 < 10000
- 任务类别：表格回归
- 语言：英语

## 特征（共20个输入特征）
| 特征名称 | 特征描述 | 取值范围 |
|---------|-------------|-------|
| `link_length_m` | 信号间链路距离 | 150-600米 |
| `speed_limit_kmh` | 法定限速 | 30-60千米/小时 |
| `num_lanes` | 车道数量 | 2-4条 |
| `gradient_pct` | 道路坡度 | -3% 至 +3% |
| `side_friction` | 来自摊贩、占道停车的侧向干扰（印度专属特征） | 0.1-0.6 |
| `pct_two_wheeler` | 两轮车占比 | 40%-70% |
| `pct_car` | 小型轿车占比 | 10%-30% |
| `pct_auto` | 机动三轮车占比 | 5%-15% |
| `pct_bus` | 公交车占比 | 3%-8% |
| `pct_truck` | 重型卡车占比 | 1%-6% |
| `density_veh_km_lane` | 单车道交通密度 | 10-80辆/千米/车道 |
| `weather_speed_factor` | 天气对行驶速度的影响系数 | 0.65-1.0 |
| `time_of_day_sin/cos` | 昼夜周期循环编码 | [-1, 1] |
| `is_peak` | 高峰时段标识 | 0/1 |
| `is_weekend` | 周末时段标识 | 0/1 |
| `platoon_size` | 车队内总车辆数 | 5-40辆 |
| `platoon_pcu` | 以乘客当量表（Passenger Car Unit, PCU）计量的车队当量 | 遵循IRC:106标准加权计算 |
| `upstream/downstream_queue_pcu` | 上下游排队长度（以PCU计量） | 0-30 PCU |

## 目标变量
- `actual_travel_time_s`：实际行驶时间（单位：秒，均值约52秒，取值范围7-217秒）
- `platoon_dispersion_s`：混合交通流导致的车队离散程度（单位：秒）

## 校准依据
- **乘客当量表（PCU）参数**：遵循IRC:106-1990标准（两轮车=0.5，机动三轮车=0.6，公交车=3.0）
- **速度-密度模型**：采用Greenshields模型，阻塞密度设为150辆/千米/车道
- **天气影响系数**：预设天气速度影响系数（暴雨天气对应系数为0.65）
- **车辆混合分布**：共4种场景配置（大都市/二线城市 × 高峰/非高峰时段）
- **车队离散模型**：参考Kadiyali(2000)、Mathew与Krishna Rao(2006)的研究成果

## 使用方法
python
import pandas as pd
df = pd.read_csv("data/train.csv")

# 特征集与目标变量
FEATURES = [c for c in df.columns if c not in ["actual_travel_time_s", "platoon_dispersion_s", "weather", "city_type", "mix_type"]]
X = df[FEATURES]
y = df["actual_travel_time_s"]

## 关联应用
交互式可视化仪表盘：[APOO交通优化器](https://huggingface.co/spaces/omshrivastava/APOO-Traffic-Optimizer)